搜索
人工智能方法人工智能方法ArtificialArtificialIntelligenceIntelligenceMethodsMethods人工智能的定义所谓人工智能，就是用人工的方法在机器（计算机）上实现的智能；或者说，是人们使用机器模拟人类的智能。人工智能是指研究如何用计算机去模拟、延伸和扩展人的智能；如何使计算机变得更聪敏、更能干；如何设计和制造具有更高智能水平的计算机的理论、方法、技术及应用系统的一门新兴科学技术。人工智能研究的目标近期目标：在近期，人工智能研究的任务是利用冯.偌依曼型计算机模拟人类智力行为，研制智能程序；远期目标：远期是研制全新的计算机，即智能计算机。（根据冯.诺依曼的思想，计算机由运算器、存储器、控制器和输入/输出五个部分组成；“存储程序”的概念：在典型情况下，完成一条指令需要3个步骤，即：取指令、指令译码和执行指令。）人工智能研究及应用领域1.问题求解；2.机器学习；3.专家系统；4.模式识别；5.自动定理证明；6.自动程序设计；7.自然语言理解；8.机器人学；9.人工神经网络；10.智能检索强人工智能与弱人工智能强人工智能强人工智能观点认为有可能制造出真正能推理（Reasoning）和解决问题（Problem_solving）的智能机器，并且，这样的机器能将被认为是有知觉的，有自我意识的。强人工智能可以有两类：类人的人工智能，即机器的思考和推理就像人的思维一样。非类人的人工智能，即机器产生了和人完全不一样的知觉和意识，使用和人完全不一样的推理方式。弱人工智能弱人工智能观点认为不可能制造出能真正地推理（Reasoning）和解决问题（Problem_solving）的智能机器，这些机器只不过看起来像是智能的，但是并不真正拥有智能，也不会有自主意识。主流科研集中在弱人工智能上，并且一般认为这一研究领域已经取得可观的成就。强人工智能的研究则处于停滞不前的状态下。建筑设计问题的特点软计算传统计算（硬计算）的主要特征是严格、确定和精确。但是硬计算并不适合处理现实生活中的许多问题，例如驾驶汽车。软计算通过对不确定、不精确及不完全真值的容错以取得低代价的解决方案和鲁棒性。它模拟自然界中智能系统的生化过程（人的感知、脑结构、进化和免疫等）来有效处理日常工作。软计算包括几种计算模式：模糊逻辑、人工神经网络、遗传算法和混沌理论。这些模式是互补及相互配合的，因此在许多应用系统中组合使用。多目标求解维特鲁威在《建筑十书》中提出了建筑的“坚固、适用、美观（firmitas,utilitas,venustas）”的原则。从问题求解的角度来看，我们可以将建筑设计看作是一个多目标问题的求解过程，建筑师必须在设计中同时处理“坚固、适用、美观”及其他设计要求，实现最好的综合效益。多目标问题中的各目标采用了不同的评价体系，有的时候它们会相互促进，有的时候则相互制约。建筑设计研究中常用的人工智能方法•人工神经原网络(ArtificialNeuralNetwork,ANN)•多代理系统(Multi-AgentSystem,MAS)•遗传算法(GeneticAlgorithm,GA)一．大脑神经网络1.大脑神经元结构模型（生理结构）大脑的神经系统由1011到1012个神经元组成，每个神经元可直接与1000～20000个其他神经元相互作用。大脑所具有的强大功能来自大量的多层次的神经元的相互连接。最简单的生物神经元结构模型是：树突（接收信息）—细胞核（信息处理）—轴突（发出信息）2．大脑神经系统的功能大脑的神经元通过突触互相连接，形成了复杂的神经网络系统，实现人类的各种智能行为。作为一个智能的信息处理系统，人脑具有以下几方面的固有特征：（1）并行分布处理的工作模式。单个神经元的信息处理速度很慢，每次约1ms，但人脑对某一复杂过程的反应却是很快，一般只需几百微秒。例如，要判断人眼看到的两个图形是否一样，实际需要400微秒。在这个处理过程中，人脑是一个超高密度的并行处理系统。（2）神经系统的可塑性和自组织性。人工种经网络的学习机制就是基于这种可塑现象，并通过修正突触的结合强度来实现的。（3）神经系统的系统性。大脑中的各个部件可以看成是一个大系统中的许多子系统，各个子系统之间具有很强的相互关系，一些子系统可以调节另一些子系统的行为。例如视觉系统和运动系统就存在很强的系统联系，可相互协调各种信息处理功能。（4）信息分布式记忆。大脑神经系统的信息存储是分布存储于整个网络中，并体现在神经网络之间突触的结合强度上。当少量神经元受到损伤（或正常死亡）时，网络的总体功能继续有效。二．人工神经元网络1．人工神经元模型人工神经网络中的人工神经元（有时也称为计算单元或计算节点），模拟了大脑神经元的简单特性。人工神经元模型如图所示。1niijjijIwxθ==+∑wij表示神经元i和神经元j的结合强度，称为连接权（权值）；xj为神经元j的输出；表示神经元i的阈值。iθ神经元i的输出为Oi＝f（Ii）式中，f（）为激发函数。x1x2xniOiθi三、BP神经元网络BP算法于1986年由Rumelhart等提出来的，通过数学上的详细分析和完整的推导，系统地解决了多层神经元网络中隐层单元连接权的学习问题。单层感知机虽具有较好的记忆和学习功能，可以进行模式识别（分类），但不能解决非线性问题，于是研究者提出了多层感知机，并采用误差反向传递学习算法（ErrorBackPropagation，简称BP算法）进行网络训练。因为多层前馈网络的训练经常采用误差反向传播算法，所以通常人们都将多层前馈网络直接称为BP网络。由于BP算法得到广泛的使用，BP模型已成为神经网络的重要模式之一。θ1θ2θpγ1γqana1a2c1cqy1yqnpqw11w12v11v12SpBpLqCqBP网络学习方法的基本思想：将训练过程分为两个阶段：第一阶段：正向传播，输入信息从输入层经隐含层单元处理后传向输出层，每一层神经元的状态只影响下一层神经元状态。第二阶段：倘若在输出层得不到希望的输出，则转入第二阶段反向传播，将误差信号沿原来的神经元连接通路返回，通过修改各层神经元的权值，逐次地向输入层传播进行计算。这样，反复地运用这两个过程，使得误差信号最小，最后使得信号误差达到允许的范围之内，网络就结束学习训练过程。四、应用例如图用六个神经元组成的BP网络（图a）来产生图b的理想输出。（a）(b)随机选取的权矩阵为：121212120.2,0.3,0.4,0.5wwww====263646560.5,0.2,0.1,0.4wwww====采用S函数输出，学习数据如下：输入00.050.10.150.2…0.90.95…输出0.50.5250.550.5750.6…0.950.975…图（a）为训练1493次后的示意图，图(b)为训练30588次后的示意图。(a)(b)ANN研究案例：多代理系统(MAS)是由多个相互作用的智能主体(Agent)组成的系统。CharacteristicsTheagentsinamulti-agentsystemhaveseveralimportantcharacteristics:Autonomy:theagentsareatleastpartiallyautonomousLocalviews:noagenthasafullglobalviewofthesystem,orthesystemistoocomplexforanagenttomakepracticaluseofsuchknowledgeDecentralization:thereisnodesignatedcontrollingagent(orthesystemiseffectivelyreducedtoamonolithicsystem)多代理系统Multi-AgentSystem細胞自動機是由一些特定規則的格子所組成，每個格子看做是一個細胞；每一個細胞可以具有一些狀態，但是在某一時刻只能處一種狀態之中。隨著時間的變化（我們稱作「疊代」過程），格子上的每一個細胞根據周圍細胞的情形，按照相同的法則而改變狀態，換句話說，一個細胞的狀態是由上一個時刻所圍繞的細胞的狀態所決定。以人工生命的角度來看，細胞自動機可以視為一個讓許多單細胞生物生活的世界，在我們設定好這個世界的初始狀態之後，它們便按照同一個規則做演化。細胞自動機CellularAutomataWirewroldWireworld单元的4种状态:空(Empty)电子头(Electronhead)电子尾(Electrontail)导体(Conductor)時間以離散的步伐進行，單位是「代」。•空→空•電子頭→電子尾•電子尾→導體•當剛好有一或兩個導體的鄰居是電子頭時，導體→電子頭二极管XOR运算闸ABCDEA:Staggergroupofrowhouses(housingclusterofCuiweiresidentialquarter,Beijing)B:Staggersegmentsinrowhouses(housingclusterofXianxiaxincunresidentialquarter,Shanghai)C:Diversifyorientationsofgroupsofrowhouses(housingclusterofFanguanongresidentialquarter,Shanghai)D:Diversifyorientationsofrowhouses(housingclusterofLiangchengxincunresidentialquarter,Shanghai)E:Diversifyorientationsofsegmentsinrowhouses(housingclusterofHongmeixincunresidentialquarter,Changzhou,Jiangsuprovince)HANMengzhen,MUNEMOTOJunzo,andMATSUSHITADaisuke,EmergenceofaParallelLayoutArisingfromUser'sPursuitsofBetterLivingConditionsofTheirDwellingUnitsinMRHCwithMAS,JournalofAsianArchitectureandBuildingEngineering,AIJ,AIK,andASC,Vol.3,No.1,pp.149-156,2004.EmergenceUser'spursuitofbetterlivingconditionsAgent'sbehavior(Systemlevel)(Individuallevel)SiteplanningofMRHCInteractionCommonstairDwellingunitNormalintervalPlotAgent2Dspace1-celldistance2-celldistanceEmptycell01234567890123456LeastdepthforGLyxAsegmentinrowhouse158.40m01020mDwellingunitCommonstaircaseAsegmentinrowhouse原理图CheckmyISOccupytheplacewithhighestpotentialISTerminatesimulationMoverandomlyStayCheckISandsearchbetterplanlocationMoveorstayInitializesimulationRandamlyputagentsin2DspaceIfmeetterminateconditionBehaviorofagentkAgentk+1......Agentk-1yesnonoyesInteractwithotheragentsinthelocalSearchifanyotherplacehashigherpoten